راهنمای نوشتن پرامپت‌های جمینای ۳ مقاوم در برابر بازبینی

چرا اکثر پرامپت‌های جمینای ۳ در بازبینی شکست می‌خورند و راه حل آن

بیشتر افراد نوشتن پرامپت را شبیه نوشتن ایمیل می‌دانند: سریع بنویس، ارسال کن و به امید بهترین نتیجه باش. با جمینای ۳.۱ پرو—به‌ویژه در میداس ای‌آی چت—این دستور العملی برای دوباره‌کاری است. نه به این دلیل که مدل ناسازگار است، بلکه چون پرامپت شما برای مقاومت در برابر بررسی دقیق ساخته نشده بود. بازبینی شکست نیست؛ جایی است که کار واقعی اتفاق می‌افتد. و اگر پرامپت شما وقتی می‌پرسید «صبر کن، در مورد مورد لبه X چه؟» یا «می‌توانی آن منطق را ردیابی کنی؟» فرو بریزد، شما ساعت‌ها را از دست داده‌اید—نه دقیقه‌ها را.

جمینای ۳.۱ پرو در عمق عملکرد عالی دارد: استدلال روی اسناد ۱۰۰ هزار توکنی، تجزیه معماری‌های چندمرحله‌ای، تفسیر فریم‌های ویدیوی زمانی، و تایید متقابل ادعاها در منابع ناهمگن. اما هیچ‌کدام از این‌ها از دستورات مبهم مانند «محاسبات کوانتومی را توضیح بده» یا «این کد را بهبود بده» ظاهر نمی‌شوند. این‌ها از قصد ساختاریافته ظاهر می‌شوند—پرامپت‌هایی که برای بقا در چرخه‌های بازبینی مهندسی شده‌اند با کدگذاری محدودیت‌ها، منطق پشتیبان، و معیارهای اعتبارسنجی صریح از ابتدا.

این مقاله برای چه کسانی است:

نویسندگان فنی که وایت‌پیپرها را با منابع جدید بازبینی می‌کنند
مهندسان بک‌اند که تصمیمات طراحی مش سرویس را اعتبارسنجی می‌کنند
پژوهشگرانی که پرونده‌های نظارتی را در حوزه‌های قضایی مختلف ترکیب می‌کنند
مدیران محصولی که قبل از برنامه‌ریزی اسپرینت، مشخصات ویژگی را تست فشار می‌دهند
تحلیلگران ویدیویی که استخراج علیت زمانی انجام می‌دهند (مثلاً «در ۲:۱۴ تا ۲:۲۷، آیا ژست_subject A قبل یا بعد از نشانه کلامی subject B است؟»)

این‌ها موارد استفاده نظری نیستند. این‌ها گردش‌کارهایی هستند که ما در میداس ای‌آی چت با کاربران واقعی تست فشار داده‌ایم—و جایی که پرامپت‌های با ساختار ضعیف به طور معمول در مرحله دوم بازبینی شکست می‌خورند.

نکات کلیدی

اصل بنیادینPrompt durability > initial output speed

شرط بازبینی‘What if…?’ questions expose weak assumptions

مزیت MidassAIStateful chat context preserves document + reasoning history across revisions

قالب ۱: بازیابی اسناد طولانی با لنگرگاه منبع

نگویید: «این پرونده SEC ۸۰ صفحه‌ای را خلاصه کن.»

در عوض بگویید:

شما یک تحلیلگر Compliance هستید که فرم 10-K را برای Acme Corp (2024) بررسی می‌کنید. فقط افشاهای مرتبط با عوامل ریسک امنیت سایبری (Item 1C)، احتمالات دعوی قضایی (Item 3)، و سلب مسئولیت‌های بیانیه‌های آینده‌نگر (Item 7) را بازیابی و استخراج کنید. برای هر بند استخراج شده:

عین نقل قول کنید (حداکثر ۴۵ کلمه)

شماره صفحه دقیق و عنوان بخش را ذکر کنید

هر تناقض داخلی را پرچم‌گذاری کنید (مثلاً «ریسک در ص ۲۲ 'مادی' است اما در ص ۴۱ 'غیرمادی'»)

بازنویسی نکنید. استنباط نکنید. فراتر از استخراج خلاصه نکنید.

چرا این روش در بازبینی موفق است: لنگرگاه صریح به صفحه/بخش وفاداری را اجبار می‌کند. تشخیص تناقض، حسابرسی خودی را ایجاد می‌کند—بنابراین وقتی بعداً می‌پرسید «همه تناقض‌های پرچم‌گذاری شده در بخش ۳ را نشان بده»، جمینای ۳.۱ پرو آن‌ها را فوراً بازیابی می‌کند زیرا در عبور اول ثبت شده‌اند، نه اینکه پس‌ازاین استنباط شوند.

آزمایش Gemini 3 در MidassAI Chat

قالب ۲: تست فشار منطق برای درخت‌های تصمیم

از این استفاده کنید وقتی که قوانین کسب‌وکار، اجرای سیاست، یا گردش‌کارهای شرطی را اعتبارسنجی می‌کنید:

شما یک حسابرس سیستم هستید که موتور تایید وام را ارزیابی می‌کنید. با توجه به این سه ورودی:

امتیاز اعتباری ≥ ۷۲۰ → تایید خودکار

نسبت درآمد > ۴۵٪ → نیاز به بازبینی دستی

نکول قبلی در ۲۴ ماه گذشته → رد خودکار همه ترکیبات ورودی ممکن (n=8) را تولید کنید و برای هر کدام:

تصمیم نهایی را بیان کنید

مسیر قانون دقیق طی شده را ردیابی کنید (مثلاً «Credit=730 → تایید خودکار؛ نسبت درآمد=48% را نادیده می‌گیرد»)

هرگونه تضاد قانون را شناسایی کنید (مثلاً «Credit=690 AND default=yes → هم رد و هم بازبینی دستی فعال شد»)

خروجی به صورت CSV با ستون‌های: credit_score, income_ratio_pct, past_default, decision, conflict_flag.

این قالب شمارش Exhaustive را اجبار می‌کند—نه فقط «در حالت معمول چه اتفاقی می‌افتد». وقتی بازبینی می‌کنید («اگر نسبت درآمد ۴۴.۹٪ باشد چه؟»)، جمینای ۳.۱ پرو حدس نمی‌زند—کل ماتریس را در متن دوباره محاسبه می‌کند و خروجی‌های قبلی را برای مقایسه جانبی حفظ می‌کند.

قالب ۳: تجزیه معماری کد

از «این کد را بهتر کن» بگذرید. در عوض:

شما یک معمار ارشد بک‌اند هستید که این میکروسرویس Go را بررسی می‌کنید (پیوست: main.go, handlers/user.go, pkg/db/connection.go). برای هر فایل:

تمام انواع/توابع Exported را لیست کنید

جریان وابستگی را نقشه‌برداری کنید: کدام توابع کدام را صدا می‌زنند، شامل تماس‌های Cross-package

نقاط_coupling سفت و سخت را شناسایی کنید (مثلاً handler که مستقیماً اتصال DB را instantiate می‌کند به جای پذیرش interface)

برای هر نقطه coupling یک بازنویسی مشخص پیشنهاد دهید (مثلاً «db.Connection را به interface استخراج کنید؛ از طریق constructor تزریق کنید»)

خروجی به صورت کد گراف Mermaid + لیست بولت بازنویسی‌ها.

جمینای ۳.۱ پرو ساختار و قصد را تجزیه می‌کند—نه فقط نحو. بازبینی جراحی می‌شود: «نگاشت وابستگی را پس از تزریق کلاینت Redis دوباره اجرا کن—آیا handler کاربر اکنون به کش وابسته است؟» پرامپت از قبل «وابستگی» را به دقت تعریف کرده است، بنابراین پاسخ قطعی است.

قالب ۴: پرامپت تحلیل ویدیوی زمانی

برای استدلال دقیق فریم (نیازمند آپلود ویدیو به میداس ای‌آی چت):

کلیپ ویدیوی آپلود شده را تحلیل کن (۰:۰۰ تا ۳:۱۲، ۳۰fps). در زمان‌های ۱:۲۲ تا ۱:۲۵ و ۲:۰۸ تا ۲:۱۱:

حرکت سوژه اصلی را شناسایی کن (مثلاً «بازوی چپ بالا می‌رود، سپس مکث می‌کند»)

با قله‌های موج صوتی همبستگی دهید (زمان‌بندی‌های هم‌تراز ms را ارائه دهید)

ترتیب زمانی را تعیین کنید: آیا حرکت پیشی می‌گیرد، عقب می‌ماند، یا همزمان با قله است؟

اگر تاخیر > ۱۲۰ms است، مشکل همگام‌سازی احتمالی را پرچم‌گذاری کن.

خروجی جدول: timestamp_range | motion_description | audio_peak_ms | delta_ms | sync_flag.

این کار می‌کند زیرا جمینای ۳.۱ پرو توکن‌های چندوجهی را مشترکاً پردازش می‌کند. بازبینی «آیا چیزی را از دست دادی؟» نیست—بلکه «۱:۲۲ تا ۱:۲۵ را با آستانه‌های حرکتی سخت‌گیرانه‌تر (جریان نوری زیر پیکسل) دوباره تحلیل کن» است، و مدل همان پروتکل را با پارامترهای تنظیم شده دوباره اجرا می‌کند.

قالب‌های ۵ تا ۷: مثلث‌سازی تحقیق، تولید موارد لبه و ترجمه بین‌دامنه‌ای

مثلث‌سازی تحقیق: «راهنمای پیش‌نویس FDA (2024-05)، گزارش EMA CHMP (2023-11)، و یادداشت فنی WHO (2024-02) را در مورد تشخیص‌های مبتنی بر هوش مصنوعی مقایسه کن. برای هر مقررات: تعریف 'اعتبارسنجی بالینی' را استخراج کن، انواع شواهد مورد نیاز را لیست کن، و واگرایی در آستانه‌های حجم نمونه را یادداشت کن. خروجی به صورت جدول مارک‌داون با ستون 'شدت واگرایی (low/medium/high)'.»
تولید موارد لبه: «با توجه به امضای تابع پایتون def calculate_tax(income: float, state: str, dependents: int) -> float، ۱۲ مورد تست پوشش دهید: درآمد منفی، state='XX' (نامعتبر)، dependents=−1، income=inf، state='CA' با dependents=0، و ۷ شرط مرزی دیگر. برای هر کدام، رفتار مورد انتظار و دلیل اینکه چرا یک مورد لبه معنادار است را بیان کن.»
ترجمه بین‌دامنه‌ای: «این README نمودار Kubernetes Helm (پیوست) را به مشخصات محصول به زبان ساده برای مهندسان فروش غیرفنی ترجمه کن. تمام محدودیت‌های نسخه، محدودیت‌های منابع، و حالت‌های شکست را حفظ کن—اما 'initContainer' را با 'بررسی سلامت پیش از شروع'، 'tolerations' را با 'تنظیمات انعطاف‌پذیری استقرار' و غیره جایگزین کن. شامل یک واژه‌نامه mapping اصطلاحات فنی به معادل‌های面向 فروش باشد.»

هر کدام آمادگی بازبینی را در خود دارند:scope صریح، معیارهای موفقیت بدون ابهام، و فرمت‌های خروجی ساختاریافته که اعتبارسنجی مبتنی بر diff را امکان‌پذیر می‌کنند.

اولین پرامپت مقاوم شما از همین حالا شروع می‌شود

نیازی نیست در روز اول پرامپت‌های کامل داشته باشید. به پرامپت‌هایی نیاز دارید که با شما یاد بگیرند. هر بار که می‌پرسید «اگر X تغییر کند چه؟»، جمینای ۳.۱ پرو در میداس ای‌آی چت زنجیره استدلال اصلی را حفظ می‌کند—بنابراین بازبینی شروع از صفر نیست. لایه‌بندی بینش است.

ساختن یکی از این قالب‌ها را به صورت زنده امتحان کنید. یک PDF ۵۰ صفحه‌ای آپلود کنید، یک کدبیس ۲۰۰ خطی پیست کنید، یا یک کلیپ ویدیوی ۹۰ ثانیه‌ای رها کنید. سپس اولین سوال بازبینی خود را بپرسید: «نشان بده کجا فرضیات از هم می‌پاشند.» آن موقع است که تفاوت بین پرامپتی که یک پاسخ به شما می‌دهد و پرامپتی که یک پایه کاری به شما می‌دهد را خواهید دید.

جمینای ۳ را در میداس ای‌آی چت امتحان کنید